私たちはO-CNN（Octree-based Convolutional Neural Network）を提案します。これは3D形状解析のためのオクツリーに基づく畳み込みニューラルネットワーク（CNN）です。3D形状のオクツリー表現に基づいて構築された当手法は、最細かい葉オクタントでサンプリングされた3Dモデルの平均法線ベクトルを入力とし、3D形状表面が占めるオクタント上で3D CNN操作を行います。私たちは新しいオクツリーデータ構造を設計し、オクタント情報を効率的にグラフィックスメモリに保存し、CNN特徴量も同様に保存することで、GPU上でO-CNNの学習と評価を完全に行うことが可能となりました。O-CNNは様々なCNN構造をサポートし、異なる表現を持つ3D形状にも対応しています。3D表面が占めるオクタントでの計算に制限を設けることで、O-CNNのメモリおよび計算コストはオクツリーの深さが増加するにつれて二次関数的に増大します。これにより、高解像度の3Dモデルに対する3D CNNが実現可能となります。私たちは他の既存の3D CNNソリューションとの性能比較を行い、物体分類、形状検索、形状セグメンテーションという三つの形状解析タスクにおいてO-CNNの効率性と有効性を示しました。